Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Definições de cookies
Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Saiba como fazer o benchmark Ultralytics YOLO11, comparar o desempenho entre dispositivos e explorar diferentes formatos de exportação para otimizar a velocidade, a precisão e a eficiência.
Com o crescente número de modelos de IA disponíveis hoje, selecionar o mais adequado para sua aplicação específica de IA é essencial para alcançar resultados precisos e confiáveis. Cada modelo varia em velocidade, precisão e desempenho geral. Então, como podemos determinar qual modelo é mais adequado para uma determinada tarefa? Isso é especialmente importante para sistemas em tempo real, como veículos autônomos, soluções de segurança e robótica, onde a tomada de decisão rápida e confiável é crítica.
O benchmarking ajuda a responder a essa pergunta, avaliando um modelo sob diferentes condições. Ele fornece insights sobre o desempenho do modelo em várias configurações e configurações de hardware, permitindo uma tomada de decisão mais informada.
Por exemplo, Ultralytics YOLO11 é um modelo de visão por computador que suporta várias tarefas de análise de dados visuais, como a deteção de objectos e a segmentação de instâncias. Para compreender plenamente as suas capacidades, pode comparar o seu desempenho em diferentes configurações para ver como irá lidar com cenários do mundo real.
Neste artigo, vamos explorar a forma de comparar modelosUltralytics YOLO como o YOLO11, comparar o seu desempenho em vários hardwares e ver como diferentes formatos de exportação afectam a sua velocidade e eficiência. Vamos começar!
O que é benchmarking de modelos?
Quando se trata de usar um modelo de Visão de IA em uma aplicação do mundo real, como você pode saber se ele será rápido, preciso e confiável o suficiente? O benchmarking do modelo pode fornecer insights para responder a isso. O benchmarking de modelos é o processo de testar e comparar diferentes modelos de IA para ver qual tem o melhor desempenho.
Envolve definir uma linha de base para comparação, escolher as medidas de desempenho certas (como precisão ou velocidade) e testar todos os modelos nas mesmas condições. Os resultados ajudam a identificar os pontos fortes e fracos de cada modelo, tornando mais fácil decidir qual é o mais adequado para sua solução de IA específica. Em particular, um conjunto de dados de benchmark é frequentemente usado para fornecer comparações justas e avaliar o desempenho de um modelo em diferentes cenários do mundo real.
Fig 1. Por que realizar o benchmark de modelos de visão computacional? Imagem do autor.
Um exemplo claro de por que o benchmarking é vital é em aplicações em tempo real, como vigilância ou robótica, onde até mesmo pequenos atrasos podem impactar a tomada de decisões. O benchmarking ajuda a avaliar se um modelo pode processar imagens rapidamente, ao mesmo tempo em que fornece previsões confiáveis.
Ele também desempenha um papel fundamental na identificação de gargalos de desempenho. Se um modelo for executado lentamente ou usar recursos excessivos, o benchmarking pode revelar se o problema decorre de limitações de hardware, configurações do modelo ou formatos de exportação. Essas informações são cruciais para selecionar a configuração mais eficaz.
Benchmarking de modelos comparado à avaliação e teste de modelos
Benchmarking, avaliação e teste de modelos são termos populares de IA que são usados em conjunto. Embora semelhantes, eles não são iguais e têm funções diferentes. O teste de modelo verifica o desempenho de um único modelo, executando-o em um conjunto de dados de teste e medindo fatores como precisão e velocidade. Enquanto isso, a avaliação do modelo vai um passo além, analisando os resultados para entender os pontos fortes e fracos do modelo e como ele funciona em situações do mundo real. Ambos se concentram em apenas um modelo por vez.
O benchmarking de modelos, no entanto, compara vários modelos lado a lado usando os mesmos testes e conjuntos de dados. Ele ajuda a descobrir qual modelo funciona melhor para uma tarefa específica, destacando as diferenças de precisão, velocidade e eficiência entre eles. Enquanto o teste e a avaliação se concentram em um único modelo, o benchmarking ajuda a escolher o modelo certo (ou o melhor) comparando diferentes opções de forma justa.
Fig 2. Como o benchmarking de modelos é diferente da avaliação e do teste. Imagem do autor.
Uma visão geral do Ultralytics YOLO11
Ultralytics YOLO11 é um modelo fiável de IA de visão concebido para executar com precisão várias tarefas de visão por computador. Melhora as versões anteriores do modelo YOLO e está repleto de funcionalidades que podem ajudar a resolver problemas do mundo real. Por exemplo, pode ser utilizado para detect objectos, classify imagens, segment regiões, track movimentos e muito mais. Também pode ser utilizado em aplicações em muitos sectores, desde a segurança à automação e análise.
Fig. 3. Um exemplo de utilização do YOLO11 para segment pessoas numa imagem.
Uma das principais vantagens do Ultralytics YOLO11 é a sua facilidade de utilização. Com apenas algumas linhas de código, qualquer pessoa pode integrá-lo nos seus projectos de IA sem ter de lidar com configurações complicadas ou conhecimentos técnicos avançados.
Ele também funciona perfeitamente em diferentes hardwares, sendo executado de forma eficiente em CPUs (Unidades Centrais de Processamento), GPUs (Unidades de Processamento Gráfico) e outros aceleradores de IA especializados. Seja implantado em dispositivos de borda ou servidores em nuvem, ele oferece um desempenho forte.
YOLO11 está disponível em vários tamanhos de modelos, cada um optimizado para diferentes tarefas. A avaliação comparativa ajuda a determinar qual a versão que melhor se adapta às suas necessidades específicas. Por exemplo, uma das principais informações que a avaliação comparativa pode revelar é que os modelos mais pequenos, como o nano ou o small, tendem a funcionar mais rapidamente, mas podem perder alguma precisão.
Como comparar modelos YOLO como o YOLO11
Agora que já percebemos o que é o benchmarking e a sua importância. Vamos explicar-lhe como pode comparar modelos YOLO como o YOLO11 e avaliar a sua eficiência para obter informações valiosas.
Para começar, pode instalar o pacoteUltralytics Python executando o seguinte comando no seu terminal ou prompt de comando: "pip install ultralytics". Se tiver algum problema durante a instalação, consulte nosso Guia de problemas comuns para obter dicas de solução de problemas.
Uma vez instalado o pacote, pode facilmente comparar YOLO11 com apenas algumas linhas de código Python :
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPUbenchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
Quando você executa o código mostrado acima, ele calcula a velocidade com que o modelo processa imagens, quantos frames ele pode lidar em um segundo e com que precisão ele detecta objetos.
A menção de "coco8yaml" no código refere-se a um ficheiro de configuração do conjunto de dados baseado no ficheiro COCO8 (Common Objects in Context) - uma pequena versão de amostra do conjunto de dados COCO completo, frequentemente utilizado para testes e experimentação.
Se estiver a testar YOLO11 para uma aplicação específica, como a monitorização de tráfego ou imagens médicas, a utilização de um conjunto de dados relevante (por exemplo, um conjunto de dados de tráfego ou um conjunto de dados médicos) fornecerá informações mais precisas. O benchmarking com COCO fornece uma ideia geral do desempenho, mas para obter melhores resultados, pode escolher um conjunto de dados que reflicta o seu caso de utilização real.
Compreender os resultados da avaliação comparativa YOLO11
Uma vez efectuado o teste de referência YOLO11 , o passo seguinte é interpretar os resultados. Depois de executar o teste de referência, verá vários números nos resultados. Estas métricas ajudam a avaliar o desempenho YOLO11 em termos de precisão e velocidade.
Aqui estão algumas métricas de benchmarking notáveis YOLO11 a ter em conta:
mAP50: Mede a precisão da deteção de objectos. Um valor mais elevado significa que o modelo é melhor no reconhecimento de objectos.
accuracy_top5: É comumente usado para tarefas de classificação. Ele mostra com que frequência o rótulo correto aparece nas cinco principais previsões.
Tempo de inferência: O tempo necessário para processar uma única imagem, medido em milissegundos. Valores mais baixos significam processamento mais rápido.
Fig. 4. Um gráfico que mostra o desempenho de referência do YOLO11.
Outros factores a ter em conta na avaliação comparativa da YOLO11
Analisar apenas os resultados do benchmark conta apenas parte da história. Para obter uma melhor compreensão do desempenho, é útil comparar diferentes configurações e opções de hardware. Aqui estão alguns pontos importantes a serem observados:
GPU vs. CPU: As GPUs podem processar imagens muito mais rapidamente do que as CPUs. O benchmarking ajuda-o a ver se uma CPU é suficientemente rápida para as suas necessidades ou se beneficiará com a utilização de uma GPU.
Configurações de precisão (FP32, FP16, INT8): Elas controlam como o modelo lida com os números. Uma precisão menor (como FP16 ou INT8) faz com que o modelo seja executado mais rápido e use menos memória, mas pode reduzir ligeiramente a precisão.
Formatos de exportação: Converter o modelo para um formato como o TensorRT pode fazer com que ele seja executado muito mais rapidamente em determinados hardwares. Isto é útil se estiver a otimizar a velocidade em dispositivos específicos.
Como efetuar a avaliação comparativa YOLO11 em diferentes hardwares
O pacote Ultralytics Python permite-lhe converter os modelos YOLO11 em diferentes formatos que funcionam de forma mais eficiente em hardware específico, melhorando a velocidade e a utilização da memória. Cada formato de exportação é optimizado para diferentes dispositivos.
Por um lado, o formatoONNX pode acelerar o desempenho em vários ambientes. Por outro lado, OpenVINO melhora a eficiência no hardware Intel , e formatos como CoreML ou TF SavedModel são ideais para dispositivos Apple e aplicações móveis.
Vamos dar uma olhada em como você pode comparar YOLO11 em um formato específico. O código abaixo compara YOLO11 no formato ONNX , que é amplamente usado para executar modelos de IA em CPUs e GPUs.
from ultralytics.utils.benchmarks import benchmark
# Benchmark a specific export format (e.g., ONNX) benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")
Para além dos resultados da avaliação comparativa, a escolha do formato correto depende das especificações do seu sistema e das necessidades de implementação. Por exemplo, os carros autónomos precisam de uma deteção rápida de objectos. Se planeia utilizar GPUs NVIDIA para acelerar o desempenho, o formato TensorRT é a escolha ideal para executar YOLO11 numaGPU NVIDIA .
Fig. 5. Utilização do YOLO11 para a deteção de objectos em automóveis autónomos.
Principais conclusões
O pacote Ultralytics Python facilita a avaliação comparativa YOLO11 , fornecendo comandos simples que podem tratar dos testes de desempenho por si. Com apenas alguns passos, pode ver como diferentes configurações afectam a velocidade e a precisão dos modelos, ajudando-o a fazer escolhas informadas sem necessitar de conhecimentos técnicos profundos.
O hardware e as definições corretas também podem fazer uma enorme diferença. O ajuste de parâmetros como o tamanho do modelo e o conjunto de dados permite-lhe afinar YOLO11 para obter o melhor desempenho, quer esteja a executá-lo numa GPU topo de gama ou localmente num dispositivo de ponta.
